인천대학교 인디고클랫폼 인천대학교 기술지원허브

전력 변환 장치의 최적 설계는 고효율 및 비용 절감을 위해 필수적이지만, 기존 방식은 전문가의 경험에 의존하며 설계 공간 전체를 포괄하기 어렵다는 한계가 있다. 특히, 기존 딥러닝 기반 모델들은 학습 범위를 벗어난 OOD(Out-of-Distribution) 데이터에 대한 예측 신뢰성이 낮아 실제 설계에 적용하기에 어려움이 있었다. 본 논문은 이러한 문제를 해결하고자, 스펙트럴 정규화(Spectral Normalization)와 특이값 분해(Singular Value Decomposition)를 결합한 딥 커널 학습 기반 가우시안 프로세스(DKLGP) 모델을 제안한다. 제안된 모델은 DAB(Dual Active Bridge) 컨버터의 16개 스위치 손실을 예측하도록 설계되었으며, PLECS 시뮬레이션을 통해 생성된 데이터를 기반으로 성능을 평가했다. 실험 결과, 제안된 SN-DKLGP-SVD 모델은 기존 FFNN(Feedforward Neural Network) 모델과 비교했을 때, 학습 범위 내 데이터(ID)뿐만 아니라 학습 범위를 벗어난 데이터(OOD)에 대해서도 뛰어난 일반화 성능과 예측 신뢰성을 보였다. 스펙트럴 정규화는 특징 추출 과정에서 데이터 간의 거리 왜곡을 최소화하여 가우시안 프로세스의 예측 정확도를 향상시켰다. 또한, 특이값 분해는 다중 출력 간의 상관관계를 효과적으로 학습하고 모델의 계산 복잡도를 낮추어 학습 시간을 단축하는 효과를 입증했다. 결론적으로, 본 연구는 OOD 데이터에 강인하고 계산 효율성이 높은 스위치 손실 예측 알고리즘이 전력 변환 장치 설계 최적화에 중요한 역할을 할 수 있음을 증명한다.